温度特征（精选9篇）
温度特征 篇1
近年来, 全球的气候变化是人类经济发展面临的严峻问题, 针对气候变暖的演变规律、机理及其应对措施已成为多领域科学研究的热点。21世纪以来, 全球变暖成为人们普遍关心的气候变化热点问题, 而平均地表温度是影响全球变暖和气候变化的一个关键性因素[1]。
对极地地区或其他大尺度, 低观测量地区而言, 平均温度主要指的是该地区在研究所需时间尺度内最大值与最小值的均值。但最值的求解在此处方法不唯一, 本文提出应用基于最小二乘的曲线拟合思想进行极值的求解, 从而得到平均温度, 同时摒弃曲线拟合在预测领域的弊端, 应用BP神经网络完成估算。为直观显示与分析南极洲地区平均温度随时间的变化, 本文引入地理空间分析软件Arcgis对测站点相关数据进行空间插值处理, 从而将单一测站数据拓展到整个空间范围, 更有利于实现对南极洲温度随时间变化的直观显示与求解。
1 数据获取与预处理
在网站上搜集的部分数据, 并不完整或不符合本文使用数据的要求, 因此我们需要对数据进行预处理。由于受南极环境恶劣和巨额耗资的限制, 在1980~2015以南地区进行过观测的130余站中, 累计观测记录在25年以上的仅有29个站。鉴于本文主要研究南极地区近30余年温度的短期气候变化, 故本文只选用1980~2015之间的数据, 以五年为一个节点作为这五年的代表数据, 类似于这五年的平均温度。从网站上得到的数据, 由于某些站点在某一段时间内没有数据, 本文将缺测数据多余于10%的站点进行剔除, 对缺测数据在10%之内的不完整的站点数据采用均值替换法进行补充。其中数据获取网站地址为:http://legacy.bas.ac.uk。为了计算方便, 本文使用的逐月平均温度的记录单位是0.1℃。
2 主要算法简介
2.1 多项式拟合算法
曲线拟合又称作函数逼近, 是求近似函数的一类数值方法。它不要求近似函数在每个节点处与函数值相同, 只要求其尽可能的反映给定数据点的基本趋势以及某种意义上的无限“逼近”, 具体原理可以参照文献[2]所述, 主要通过MATLAB进行算法的实现。
2.2 BP神经网络技术
BP神经网络算法是一种采用误差反向传播的多层前馈感知器。其特点是具有分布式的信息存储方式, 能进行大规模并行处理, 并具有较强的自学习及自适应能力。通常由输入层、隐含层和输出层构成, 层与层之间实现全连接, 层内节点之间互不相连。输入层神经元首先将输入信息向前传递至隐含层节点, 经过激活函数预处理后, 隐层节点再将输出信息传送至输出层得到结果输出。输入层与输出层节点的个数取决于输入、输出向量的维数, 隐含层节点个数目前并没有统一的标准进行参考, 需通过反复试错来确定合适的数目。根据Kolmogorov定理, 具有一个隐层 (隐层节点足够多) 的三层BP神经网络能在闭集上以任意精度逼近任意非线性连续函数。
2.3 GIS空间插值技术
它首先考虑的是空间属性在空间位置上的变异分布。确定对一个待插点值有影响的距离范围, 然后用此范围内的采样点来估计待插点的属性值。该方法在数学上可对所研究的对象提供一种最佳线性无偏估计 (某点处的确定值) 的方法, 一般采用Arcgis软件进行算法实现。
3 结果分析
首先将获得的各监测站的月平均数据进行多项式拟合分析, 得到各1980~2015年各监测站的地面平均温度, 由于数据结果过多, 在此不加显示, 然后利用BP神经网络技术, 结合得到的各区域历年平均温度做预测, 得到2020年的地面数据, 结果如图1所示。
4 结论
根据图1可知2020平均温度相对于1980年而言, 既有上升的地区同时也有下降的地区, 其中上升的地区主要有三个地方, 分别为 (50°W, 75°S) , (44°W, 72°S) 以及 (160°E, 76°S) 附近, 而平均温度下降的地区主要在极点附近。这表明全球依然呈现变暖的趋势, 接近于南极圈附近的地区将可能遭受到海平面上升带来的一系列问题, 保护地球, 减少温室气体的排放, 阻止全球变暖已经刻不容缓。
参考文献
[1]陆龙哗, 卞林根, 贾朋群.南极和临近地区温度的时空变化特征[J].中国科学, 1997 (6) :27~32.
[2]戚非, 闫勇.基于MATLAB的多项式拟合[J].实验室科学, 2006, 10 (5) :63~67.
[3]余妹兰, 匡芳君.BP神经网络学习算法的改进及应用[J].沈阳农业大学学报, 2011 (3) :382~384.
温度特征 篇2
利用1961～喀什气候观象台月最高气温、最低气温、平均气温、风沙日数资料,研究其长期变化趋势和年际变化,得出:气温具有增暖趋势,90年代增暖最强,特别是最低气温增暖明显;而最高气温呈下降趋势,风沙和大风日数都呈下降趋势.
作 者：程立峥 崔新华 秦榕 作者单位：程立峥(喀什地区气象局,新疆喀什,844000)
崔新华,秦榕(新疆气象信息中心,新疆乌鲁木齐,830002)
温度特征 篇3
关键词：铜导线 温度 时间 受热 晶粒
1 概述
短路是引起火灾的原因之一。短路熔痕是由电流的作用而产生的熔痕。一次熔痕是火灾前因本身故障短路而形成的熔痕。二次熔痕是由于火灾作用导线发生短路而形成的熔痕。在实验室模拟火灾现场，分析了3mm2铜导线在不同受热温度下一次短路熔痕显微特征，肯定了一些火灾原因的鉴定依据。
2 材料和方法
2.1 材料 电焊机；SRJX-4-9型箱式电阻炉；P-2金相试样抛光机；XJG-05大型金相显微镜；SONY体式显微镜；海鸥DF300照相机，海鸥61—1型黑白放大机。
金相砂纸（320号、400号、600号、800号），高反差黑白相纸（3号）。
牙托粉，自凝牙托水，显影粉（D-72，D-76），酸性定影粉。
3mm2单芯聚氯乙烯铜导线。
FeCl3；HCl；乙醇。
2.2 方法
2.2.1 一次短路熔珠的制备及处理。将不同线径铜导线分别剪成20cm长的若干节，去掉两端绝缘皮。利用电焊机使铜导线发生短路，电焊机一端接一块长50cm宽10cm的铜板，其另一端夹住已去掉绝缘皮的铜导线的裸线部分，调节电焊机电流（电焊机电流分为60A、80A、100A、120A、140A、160 A六档），接通电源，使铜导线与铜板接触，产生一次短路熔珠。利用箱式电阻炉模拟火灾现场热环境，使熔珠在不同温度下加热不同时间，之后用体式显微镜对熔珠的外观进行拍照。样品编号见表2.1。
2.2.2 金相试样的制备、观察、拍照及照片冲洗。制好的熔珠经提取、镶嵌、研磨、抛光、浸蚀后在金相显微镜下观察、拍照并洗出照片。
①镶嵌、研磨、抛光
用快速自凝牙托水（甲基丙稀酸甲酯）和自凝牙托粉镶嵌法镶嵌。用320号、400号、600号、800号金相砂纸对试样分别进行粗磨、细磨，每换一次砂纸时，试样均须转90°与旧磨痕成垂直方向，向一个方向磨至旧磨痕完全消失，新磨痕均匀一致时为止。经细磨后的试样，移到装有天鹅绒的抛光机上进行抛光。磨盘直径为200 mm，转速为1350r/min，抛光粉用细氧化铝粉。
②浸蚀
铜导线所用化学浸蚀剂配比如下：
Fecl35g；Hcl50ml；H2O100ml。浸蚀时间：3s-1min。
③照相、洗相
把照相机连接到金相显微镜上，为观察到的试样的金相组织照相，曝光时间为1/4s。
在室温条件下冲洗底片，显影时间为3min40s，定影时间一般为10min。在放大机上印放照片，调节放大机的光圈，光圈数为8，底片密度适中的曝光时间为8s；基本显影时间为2-3min，定影15min，再把照片放在流水下冲洗15min。
3 结果与讨论
3.1 一次短路熔珠特征
3.1.1 表面特征。熔珠的大小一般是线径的1.5～2.5倍；熔珠的状态也不尽一致，有的较大且凝结在导线端的正当中，有的歪在线端的一侧。一次短路熔珠与导线衔接处有较明显的界限，熔珠表面有光泽。
3.1.2 金相组织特征。一次短路熔痕结晶时的环境温度为正常气温，冷却速度快，过冷度也就大，因此一次短路熔痕的显微组织以细小的柱状晶或胞状晶为主；一次短路熔痕气孔周围（Cu+Cu2O）共晶体较少，这是由于一次短路熔痕是在正常环境下形成的，外界环境温度低，冷却速度快，过冷度大，凝固时间短及空气中的水蒸汽少，氧气溶解量少，还没来得及与铜充分反应产生Cu2O，就被析出组织之外。
3.2 受热后一次短路熔珠特征
3.2.1 表面特征。加热后表面有一层氧化物生成，而且极易脱落，温度越高，时间越长，越易生成氧化物。氧化物脱落后，导线表面有金属光泽。
3.2.2 孔洞特征。按照熔珠内有无孔洞以及孔洞内表面所具有的特征，可以鉴定出火烧熔痕，一次短路熔痕，二次短路熔痕。火烧导线在线端上形成的熔珠内部没有孔洞，利用成分分析法，可以根据孔洞内表面所含成分重量百分数的不同，准确地鉴定出短路是构成起火的原因还是火灾导致的原因。
3.2.3 金相组织变化特征
①当受热温度在600℃以下时，一次短路熔痕显微组织以细小的柱状晶为主，受热温度、持续受热时间对其影响不大。
②当温度达到600℃时，开始发生再结晶，随着时间的持续增加，晶粒逐渐长大。
由图可知，持续受热时间为30min时，一次短路熔痕的显微组织仍然是细小的柱状晶，当时间增加到1h30min时，晶粒长大，出现粗大的晶粒。
③当温度超过600℃以后，伴随着温度、时间的增加，晶粒逐渐呈长大趋势。
当持续受热时间增加到2h时，在相同放大倍率下，在整个金相显微镜视场内能看到粗大的晶粒。
4 结论
4.1 温度
实验结果显示，温度越高，晶粒的长大速度越快，这是因为晶界的平均迁移率与e-Qm/RT成正比（Qm为晶界遷移的激活能或原子扩散通过晶界的激活能）。
4.2 时间
实验结果显示，在同一温度下，随着持续受热时间的增加，晶粒逐渐增大。晶粒长大时，晶界总是向着曲率中心的方向移动。由Dt=Ct1/2， 其中，Dt为t时间时的平均晶粒直径；C＝K1/2，K为常数。这表明在恒温下发生正常晶粒长大时，平均晶粒直径随保温时间的平方根而增大。由此很容易解释一次短路熔珠在不同受热时间作用下，细小晶粒会逐渐长大。
参考文献：
[1]金河龙.火灾原因认定手册[M].吉林科学技术出版社，1993.
[2]刘仁存，郭军丽.浅析电气火灾的原因及其预防[J].消防科学与技术，2003(2):175-176.
[3]韩宝玉，王希庆，邸曼，高伟.电气原因技术鉴定方法[S].公安部沈阳消防科学研究所，1997.
[4]公安部政治部，火灾物证分析[M].北京:警官教育出版社，1999.
[5]胡赓详，蔡珣.材料科学基础[M].上海市教育委员会组编.
温度特征 篇4
1 天气过程概述
2013年3月8日20:00至3月9日20:00, 受东移高空槽影响, 本溪地区以多云天气为主, 9日20:00开始出现降雪天气。受西北气流和南下冷空气共同影响, 本溪市区、本溪县在9日14:00前开始出现明显降温天气, 桓仁县降温时间稍晚。具体气温变化见表1。
(℃)
1.1 高低空环流形势分析
2013年3月8日8:00 500 h Pa欧亚大陆为两槽一脊型, 本溪市位于东亚大槽后部西北气流控制中。8日20:00贝加尔湖高压脊减弱, 高空槽东移, 本溪市上空纬向环流加强。9日8:00本溪市受弱脊控制, 温度槽与高度槽共同东移南压, 冷空气正逐渐影响本溪市。9日20:00前后, 本溪市处于高空槽底部 (图1~4) 。
1.2 地面形势分析
地面图 (图5~8) 上, 3月9日2:00前本溪市一直处于高压后部低压前部, 偏东气流控制, 受辐射降温影响, 气温正常下降。5:00后本溪市处于低压控制, 地面风场以偏南气流为主, 风速增大, 气温明显回升。14:00本溪市受地面倒槽影响, 地面风场转为西北气流控制, 冷空气到来, 本溪市开始出现降温。20:00地面倒槽中心东移入海, 本溪市处于槽后西北气流控制, 受其影响, 本溪市出现弱的降雪天气。
2 温度异常变化原因分析
2013年3月8日20:00至3月9日20:00本溪地区日最高气温出现在9日中午, 日最低气温出现在9日20:00, 这与正常气温日变化特征不同, 下面利用实况资料和预报场分析温度异常变化的原因。温度变化取决于温度平流、垂直运动、非绝热因子等, 通过热流量方程表示为[5,6]:
2.1 温度平流
由热流量方程可知, 本溪地区的温度变化取决于温度平流、垂直运动及非绝热因子的变化。如图9所示, 在8日23:00左右, 500 h Pa弱冷平流处于辽南地区, 已经移出本溪地区。此时本溪地区的高低空都以较强的暖平流为主, 因此夜间的温度没有下降, 反而出现回升现象。如图10所示, 9日11:00开始, 低空较强的冷平流从辽西至辽东移动, 较强冷空气中午前后对本溪地区造成影响, 开始出现明显降温天气。
2.2 垂直运动
若有上升运动, 当地气温下降, 对暖平流升温有抵消作用;相反, 若有下沉运动, 当地气温上升, 对冷平流降温有抵消作用。此次过程较弱的垂直运动对温度的变化影响很小。用, 垂直运动较弱[7,8]。
2.3 非绝热因子
低云对温度的影响也是非常显著的。2013年3月8日2:00—5:00, 本溪市区一直处于60%低云覆盖, 同样也影响了正常的辐射降温。
3 结语
2013年3月8日20:00至3月9日20:00, 本溪地区受高空槽底部和地面倒槽共同影响, 出现了明显降温和较弱的降水天气。在8日夜间受暖高压和偏南气流影响, 本溪地区温度没有下降, 反而回升, 9日午后受较强冷空气影响, 本溪地区开始出现明显降温, 20:00前后出现了弱的降雪天气。这一日本溪地区的气温变化较正常气温日变化出现不同, 最低气温出现在9日20:00。根据高低空气象资料分析, 此次气温变化过程主要由温度平流和非绝热因子起决定作
参考文献
[1]刘帅, 贺金娜, 全美兰, 等.抚顺地区一次温度预报错误分析[J].现代农业科技, 2015 (1) :233-234.
[2]孙云, 王丽荣, 匡顺四, 等.石家庄春季一次气温预报失误原因探讨[J].气象与环境科学, 2012, 35 (增刊l) :19-23.
[3]张翠华, 张文煜, 卞韬, 等.河北省石家庄地面温度变化特征[J].干旱气象, 2012, 30 (1) :27-33.
[4]金巍, 曲岩, 才奎志.1951—2005年营口市气温变化特征分析[J].气象与环境学报, 2009, 25 (3) :39-43.
[5]张楠, 苗春生, 邵海燕.1951—2007年华北地区夏季气温变化特征[J].气象与环境学报, 2009, 25 (6) :23-27.
[6]贾金明, 朱腾冉, 王惠芳, 等.濮阳市0 cm地温变化特征及成因分析[J].气象科技, 2009, 37 (3) :330-335.
[7]卓嘎, 德吉央宗, 普布次仁.西藏地区地面温度的时空分布及其异常类型研究[J].干旱区资源与环境, 2009, 23 (6) :66-73.
温度特征 篇5
1 试验设计和研究方法
1.1 试验设计
调研了山西主要设施农业种植区域,考虑到气候、种植分布等因素,将运城(盐湖区)、晋中(榆次区)和大同(天镇)3个地点作为主观测点,它们分别代表了我省北部、中部和南部的气候特征,选择了当地具有代表性或示范性的温室大棚(土墙和砖墙各一座)作为不同类型日光温室小气候资源的普查点。总体来看,所选择的观测地点代表性强,可以反映山西设施农业生产的实际情况。6座大棚的基本情况如表1所示。
在日光温室中央剖面处,在1.5 m和0.5 m处安装6台Watch Dog B102纽扣式温度记录仪(仪器型号:3621WD,测量范围:-20~70℃,精确度:0.1℃,产地:美国)来测量大棚内的温度变化,数据采集时间间隔10 min。本试验的时间范围为2013-12-01—2014-02-28,温室内通风、灌水、施肥和喷药等生产管理要严格按照园艺场的操作方法和程序进行。
天气类型分为晴天(日照时数大于8 h)、昙天(日照时数大于3 h,小于等于8 h)和阴雨天(日照时数小于3 h)。
1.2 研究方法
观测资料是用Microsoft Excel 2000软件集成的,运用数理统计方法,分析温室内外平均气温、最高气温、最低气温和平均相对湿度的相关性,采用回归分析法建立相应的回归方程。
2 结果与分析
2.1 室内气温变化及其与外界气温的关系
2.1.1 温室内气温变化
山西天镇、榆次和运城6座大棚内的最高气温和最低气温会随着外界气温的变化而变化。2013-12—2014-02,整体上呈逐渐下降的趋势,2月中旬后有回升的趋势。天镇、榆次和运城的土墙的最高气温分别介于7.6~39.6℃、15.8~41.5℃、17.2~47.5℃之间,而天镇、榆次和运城的砖墙的最高气温分别介于7.1~33.9℃、8.1~39.4℃、10.0~42.8℃之间。可以看出,这三个地区的土墙最高气温要高于砖墙。榆次大棚的最高气温高于天镇,天镇高于运城。
天镇、榆次和运城土墙的最低气温分别介于7.9~13.5℃、5.0~13.6℃、4.6~13.7℃之间,而天镇、榆次和运城砖墙的最低气温分别介于3.4~9.9℃、-1.5~13.8℃、2.4~14.1℃之间。由此可以看出,这三个地区土墙的最低气温要高于砖墙。同时,运城土墙高于榆次,榆次高于天镇;运城砖墙高于榆次,榆次高于天镇。另外,榆次砖墙大棚在1月中下旬出现0℃以下的气温,且持续5 d以上,直接导致温室内蔬菜受冻死亡。这说明,该温室是不能保证大棚蔬菜正常越冬的。
天镇、榆次和运城土墙的平均气温分别介于6.3~20.6℃、9.4~22.5℃、9.9~23.8℃之间,而天镇、榆次和运城砖墙的平均气温分别介于4.7~22.7℃、-1.2~22.2℃、6.0~20.3℃之间。由此可以看出,这三个地区土墙的平均温度要高于砖墙。统计这六座温室2013-12—2014-02的积温,得到天镇、榆次和运城土墙,天镇、榆次和运城砖墙的积温分别为1 285.6℃、1249.5℃、1 045.7℃、998.9℃、918.7℃、858.9℃。温度资源从大到小依次为,运城土、运城砖、榆次土、榆次砖、天镇土和天镇砖。天镇、榆次和运城的土墙、砖墙大棚内最高气温和最低气温变化如图1所示。
2.1.2 温室内外气温的相关性分析
运用数理统计的方法分析冬季的晴天、昙天和阴天温室内外的日平均气温、日平均最高气温、平均最低气温的相关性。结果表明,它们都通过了信度为0.01的显著性相关检验。这说明,温室内外气温的关系显著,同时,还建立了相应的一元回归方程,具体如表2所示。
2.1.3 温室的增温效果比较
对于增温效果来说,不论是土墙,还是砖墙,天镇好于榆次,榆次好于运城。天镇土墙的温度比榆次高4℃多,比运城高8℃。对于砖墙来说,天镇砖墙的温度比榆次高近1℃,比运城高5℃。总体来说,土墙增温效果好于砖墙,增温幅度差值在5~8℃之间。6座日光温室增温效果如表3所示。
2.2 室内气温时间尺度变化
图2表明,在不同天气条件下,6个试验点日光温室内逐日气温变化规律基本一致,即不论是晴天、阴天,还是昙天,6个温室内的气温都是在凌晨8点左右出现最低值。在清晨揭开不透明覆盖物后,日光温室气温迅速升高,到下午13:00—14:00之间出现最高值,之后缓慢下降,15:00以后下降速度加快,盖不明覆盖物后气温下降速度又变换,直至次日揭开不透明覆盖物之前降到最低。夜间气温下降的数值不仅取决于天气条件,还取决于保温措施。晴天下,A(土)、B(土)、C(土)、A(砖)、B(砖)和C(砖)的最高气温分别在14:00达到最大,气温分别为29.6℃、26.1℃、31.6℃、30.1℃、40.1℃和36.7℃。由此可以看出,土墙的最高气温高于砖墙,同时,运城的增高幅度大于榆次,榆次大于天镇。昙天的情况与晴天类似,但是,最高气温值小于晴天。阴天的情况有所不同。阴天下,温室内的最高气温一般在11:00—12:00之间出现,最高值远低于晴天。统计2013-12—2014-02不同天气条件下的气温变化规律时发现,逐日气温变化规律与图3所示内容相同。
备注:天镇土墙、榆次土墙和运城土墙分别用A(土)、B(土)和C(土)来表示;天镇砖墙、榆次砖墙和运城砖墙分别用A(砖)、B(砖)和C(砖)来表示
2.3 室内气温空间尺度变化
图3表明,日光温室内气温在水平方向上分布不均匀,且与天气和时间有关。在东西方向上,受山墙和太阳角度的影响,晴天,上午西部气温略高于东部,下午东部气温略高于西部;阴天,东西部气温差不明显。对于土墙而言,在南北方向上,晴天,在1.5 m的高度处,北部气温高于中部,中部高于南部;0.5 m处的气温空间规律与1.5 m处相同。对于1.5 m处的气温,不论北、中、南,都高于0.5 m处。昙天,在1.5 m的高度处,北部和中部的气温比较接近,都高于南部;在0.5 m的高度处,中部大于北部,北部大于南部。同样,1.5 m高度处的气温高于0.5 m处。阴天,北、中、南的气温非常接近,且依然是1.5 m高度处气温高于0.5 m处。这说明,在同一高度,气温从北到南依次递减,上层气温要高于下层。对于砖墙而言,在垂直方向上,上层的气温要高于下层。但是,在南北方向上,气温由北向南逐渐升高。
3 结论和讨论
关于温室内部和外部的气温变化相关性分析,相关人员都是从内部和外部温度的相关性分析入手,建立回归方程研究,而本文的研究则区分了天气条件,即分为晴天、昙天和阴天来对应研究。这样,研究对象更加细化,研究结果更加准确。得到了不同天气条件下内部和外部关系情况,结果显示关系非常显著,都通过了0.01的显著性检验。
对室内时间逐日变化规律的研究,不仅印证了学者们对温室内逐日变化的认识,还初步分析了温室内气温的最高、最低值及其与日照时数的关系。经过研究认为,日照时数决定了温室内部气温的高低。该研究结果与学者们之前的研究结果一致。
在研究室内空间逐日变化的规律时,分析了土墙和砖墙2种类型的墙体在日光温室下的气温空间变化特征。结果显示,土墙和砖墙的空间特征正好相反。这是因为土墙的保温性能好,因此,北部靠土墙的部分气温最高;而砖墙保温性能差,南面能够晒着太阳的部分气温最高,这与之前别人的研究不一样。
关于不同类型日光温室的研究,选择了山西北部、中部和南部3个地区6座温室进行比较,不仅进行了空间上的比较,还进行了不同日光温室类型的比较,结果更加全面和定量化。
温度特征 篇6
20世纪后半期以来, 在全球气候增暖的大背景下[1,2,3], 黄河源区的局地气候也发生了很大变化, 导致黄河源头多次发生断流现象[1], 断流一方面使得源区生态环境恶化, 另一方面引起了黄河水资源量的减少。黄河源区的问题已经引起了社会的普遍关注, 不少学者也从不同角度进行了研究, 取得了一些重要的结果。柳源普等[1]通过对黄河源区气温、降水量、NDVI指数变化以及NDVI指数与气温、降水量的相关性进行了分析;张国胜等研究了黄河源区1959~1999年40年气候变化情况及其对草原荒漠化的影响。
鉴于以往对黄河源区气温要素的分析所使用的方法较为有限, 为了更进一步地探讨源区气温变化在时间和空间上的分布特征, 本文在使用上述线性倾向估计和非线性的Mann-kendall方法对源区温度随时间变化作出分析的同时, 还利用Morlet小波分析了源区近45a年平均气温的周期变化特征, 使用EOF经验正交分解法分析了源区年平均气温和各季节平均气温的时空分布特征。
为了更好地反映出气温变化的季节性差异, 本文还对黄河源区春夏秋冬四个季节近45a (1960~2004年) 的平均气温进行了时空分布特征的分析。
最后, 通过求相关系数的方法分析了各季节平均气温与全年平均气温变化趋势的相互关系。
1 资料与方法
本文所指的黄河源区, 地理坐标为北纬32°~36°, 东经96°~104°, 其中资料提取的区域主要有以下12个站点:玛多、达日、河南、久治、玛曲、若尔盖、兴海、恰不恰、同德、泽库、中心站、红原。缺测站点数据采用周围站点进行插值处理。利用这些站点近1960年至2004年的年平均气温资料和春夏秋冬四个季节的平均温度资料, 并相应地进行距平化和标准化后进行分析。
其中, 用Mann-kendall非参数检验方法[5]对气温随时间变化进行突变检验分析, 用Morlet小波[5]分析了近45a黄河源区气温变化的周期特征。
为了分析黄河源区温度变化的时间和空间分布规律, 本文利用经验正交分解 (EOF) 法[6]对源区年平均气温和春夏秋冬四个季节的平均气温资料进行了时空分离分析, 得到了一些重要特征。
最后通过求相关系数分析了黄河源区各季节气温与整体的年平均气温变化趋势的关系。
2 黄河源区气温变化的时间分布特征
2.1 时间变化趋势
通过对黄河源区站点的年平均温度资料作45a的空间平均, 再加上线性倾向估计和年代际变化曲线得到图1, 由图1可以看出, 整个源区范围内年平均气温是呈上升趋势的, 增温率为1.9℃/45a。
通过年代际变化曲线还可以看出, 源区在上世纪90年代以前处于相对寒冷期, 其气温波动范围不大, 源区气温在上世纪60年代前期呈短暂的下降趋势, 而在60年代末期至70年代初期呈现出小振幅的上升趋势, 到了70年代末期至80年代初期则又开始略微下降, 最后从80年代后半期开始一直呈现出较快的上升趋势。源区的这种气候变暖现象, 和全国气候的变化相一致。[2,3]
2.2 时间突变检测
M ann—kendall法是一种非参数的检验方法, 样本不必遵从某一特定的分布, 同时也不受个别异常值的干扰, 能够客观地表征样本序列的整体变化趋势。
图2为黄河源区近45a来年平均气温序列的M—K突变检验。从图2可以看出, UF曲线和UB曲线在上世纪90年代初期有一个明显的交点, 说明在该段时间内源区温度出现了明显的突变现象。在上世纪90年代以前, 源区温度呈现出较为缓和的波动, 但在90年代以后则出现了较为强烈的增暖现象。
2.3 周期分析
本文使用小波分析 (亦称多分辨率分析) 对黄河源区近45a年平均气温资料进行周期分析, 通过使用Morlet小波分析黄河源区近45a年平均温度的周期, 如图3 (a) 、 (b) 所示, 由周期图和能量图可知, 黄河源区气温变化主要存在着2年左右和4~6年左右的年际周期和14年左右的年代际变化周期。
其中, 年代际周期在20世纪60年代初至80年代中期较显著, 4~6年的周期变化从20世纪60年代至20世纪80年代末较为显著, 而2年的周期变化则分别在20世纪的60年代和80年代较为显著, 1990年以后黄河源区的温度变化没有显著的周期规律。
3 黄河源区气温变化的空间分布特征
EOF分析:
通过对黄河源区近45a年平均气温资料利用经验正交分解 (EOF) 法进行时空分离, 第一特征向量的方差贡献为88%, 第二特征向量的方差贡献为8%, 前两个特征向量的累积方差已达96%, 基本上完全体现出了黄河源区近45a气温变化的时空特征。
由图4可见, EOF第一模态图显示, 黄河源区近45a年平均气温变化具有同号性特征, 表现出了很好的整体一致性, 整个源区内气温变化和振动都保持了高度一致符合, 而且第一特征向量的方差贡献达到了88%, 可见黄河源区气温变化近45a以来这种整体一致性占据了大部分的时间年份, 结合时间系数图5来看, 第一模态的时间系数图主要反映了年代际变化特征, 其突变点约为20世纪90年代, 源区温度在上世纪80年代中期以前变化波动幅度不大, 但从80年代中期以后却呈现出很强的上升趋势, 这与图1的气温趋势相吻合。
4 各季节气温与全年平均气温的相关性
通过使用源区全年平均气温和春夏秋冬四个季节的平均气温近45a的时间序列进行相关系数的求解检验得出, 如表1所示, 春季平均气温与全年平均气温的相关系数为0.8031, 夏季平均气温与全年平均气温的相关系数为0.8047, 秋季平均气温与全年平均气温的相关系数为0.7695, 而冬季平均气温与全年平均气温的相关系数为0.8519, 通过t检验可以看到, 四个季节的平均气温与全年平均气温的相关系数均通过了95% (α=0.05) 的置信度检验, 表明四个季节温度变化特征与年平均气温的变化特征基本是一致的。
由此可见, 冬季气温的变化趋势与全年平均气温的变化相关性最大, 这也再次验证了冬季气温的增暖对全年平均气温的增暖有着及其重要的作用。总的来说, 春夏秋冬四个季节的平均气温都表现出了与全年平均气温很好的相关性, 即它们的变化和波动和年平均气温体现出了很好的整体一致性。
5 结论
本文主要利用线性倾向估计、Mann—kendall非参数检验、小波分析、EOF等方法对黄河源区全年平均气温和各季节平均气温资料分别进行了时间特征和空间特征上的分析, 得到以下几点初步结论:
1) 时间特征:黄河源区近45a年平均气温呈现出明显的上升趋势, 气温在上世纪60~70年代变化波动不明显, 从80年代开始升高, 90年代达到巅峰。全年平均气温在上世纪90年代左右有一个较为明显的突变点。小波分析表明, 黄河源区气温变化在近45a (1960~2004) 里主要存在着2年左右和4~6年左右的年际周期和14年左右的年代际变化周期, 其中, 年代际周期在20世纪60年代初至80年代中期较显著, 4~6年的周期变化从20世纪60年代至20世纪80年代末较为显著, 而2年的周期变化则分别在20世纪的60年代和80年代较为显著, 1990年以后黄河源区的温度变化没有显著的周期规律。
2) 空间特征:通过EOF第一模态分析表明, 黄河源区近45a的年平均气温在空间上主要体现出了同号性特征, 即整个源区范围内气温变化整体保持一致, 第一模态的方差贡献达到了88%, EOF第二模态则体现出源区年平均气温的东北———西南反向变化的特点, 方差贡献为8%。分析表明整个源区范围内从西向东, 从南向北, 增温趋势逐渐增加, 以北部的增温趋势最明显, 这体现出了全国气温35°N以北比以南增温更显著的特点。
3) 各季节气温与全年相关:源区春季平均气温与年平均气温的相关系数为0.8031, 夏季为0.8047, 秋季为0.7695, 冬季为0.8519, 通过t检验可以看到, 四个季节的平均气温与全年平均气温的相关系数均通过了95% (α=0.05) 的置信度检验, 表明四个季节温度变化特征与年平均温度基本是一致的。黄河源区年平均温度的上升是四个季节温度上升的综合效应。
参考文献
[1]柳媛普, 吕世华等.近几十年黄河源区气候与植被变化及相关分析.高原气象, 2007.
[2]刘晓冉等.西南地区近40a气温变化的时空特征分析.气象科学, 2008.
[3]张允, 赵景波.西安市近55年来降水的多时间尺度分析.中国农业气象, 2008.
[4]张国胜, 李林等.黄河上游地区气候变化及其对黄河水资源的影响.水科学进展, 2000.
[5]魏凤英.现代气候统计诊断与预测技术.北京.气象出版社, 1999.
温度特征 篇7
1 水分对φ(CO2)/φ(CO)比值的影响
气体指标是衡量煤自燃过程的标准,一般选取CO体积分数、φ(CO2)/φ(CO)比值来衡量煤自燃的程度。其中φ(CO2)/φ(CO)比值表示煤自燃氧化程度,当煤自燃温度达到临界温度时,φ(CO2)/φ(CO)比值最大,临界温度后伴随温度升高和氧化程度加深,其比值逐渐减小。笔者通过程序升温实验系统,测试了不同温度点不同含水量煤样的CO、CO2气体产生规律,根据计算得出的各含水量煤样φ(CO2)/φ(CO)比值如表1所示,得出的曲线如图1所示。
通过数据分析,水分对φ(CO2)/φ(CO)比值影响较大。煤样温度在100℃以内时,其φ(CO2)/φ(CO)比值与水分呈正比关系;煤样温度在100℃以后,伴随水分的蒸发,其φ(CO2)/φ(CO)比值基本相同。由于φ(CO2)、φ(CO)是表征煤氧化学反应的主要指标,因此,从数据分析得出水分会影响煤氧化学反应,水分的增加提高了煤氧化学反应程度,在煤样温度低于100℃时,φ(CO2)/φ(CO)比值与煤样含水量呈正比关系。
2 水分对特征温度的影响
2.1 水分对临界温度的影响
煤氧化学反应过程中,煤氧物理、化学吸附基本完成,化学反应第一次急剧变化的温度称为临界温度[12]。因此,可以通过煤氧化学反应过程中CO气体的生成来判断临界温度的变化,通过对CO气体浓度曲线的分析,绘出各含水量煤样CO产生率拟合曲线,得出其临界温度如表2所示,曲线如图2所示。
在临界温度点,CO产生量明显增加,并与水氧络合物和氧气含量相关,而水分对水氧络合物的生成有促进作用。但当煤样温度达到临界温度时,煤样外在水分开始蒸发,水分蒸发吸热造成热量散失,不利于煤氧化学反应,导致水分与临界温度呈正比。因此,临界温度受到煤样水分的双重作用影响。从图2曲线中可以得出,孟巴矿6个不同含水量煤样中,含水量为9.29%煤样临界温度最高,而4.25%、14.27%含水量煤样临界温度较低,因此含水量为4.25%和14.27%的煤样更易于发生煤氧复合反应。
2.2 水分对煤氧吸附量拐点温度的影响
煤氧吸附包括物理吸附和化学吸附,伴随煤样温度的升高,煤氧物理吸附向脱附方向移动,此时煤氧化学吸附量逐渐增加,会出现一个明显的煤氧吸附量拐点温度。根据对煤氧吸附量曲线的拟合,得出煤氧吸附量的拐点温度,如表3所示,并绘制曲线如图3所示。
煤氧吸附量的拐点温度表示物理脱附基本完成、化学吸附开始加剧的温度。从图3曲线中可以得出,煤氧吸附量拐点温度在6个煤样中,出现两个拐点温度的低谷值,分别是含水量为8%左右和14.27%的煤样,说明这2个含水量的煤样有利于煤氧吸附的发生。
2.3 水分对DSC曲线拐点温度的影响
根据DSC实验数据得出孟巴矿不同含水量煤样DSC拐点温度如表4所示,并绘制拐点温度变化曲线如图4所示。
根据孟巴矿不同含水量煤样DSC拐点温度变化曲线,得出DSC曲线拐点温度与煤样含水量相关,含水量为14.27%的煤样的DSC曲线拐点温度最低,以含水量为14.27%的煤样为基准,伴随含水量的增加或减少,DSC曲线拐点温度都较高。
DSC曲线的拐点温度是由放热量和散热量共同作用的结果,在煤样自身散热量不变的前提下,拐点的出现表示煤样自身放热量的增加,而对于不同含水量煤样而言,水分的蒸发主要发生在两个阶段,煤样外在水分的蒸发温度一般开始在30~50℃,内在水分蒸发开始于100℃左右,而将煤氧复合过程中化学反应第一次急剧变化的温度称之为临界温度,因此,DSC曲线拐点的温度变化可以反映临界温度的变化趋势。
2.4 水分对DSC曲线“0”值点温度的影响
DSC实验纵坐标向正的方向为放热,向负的方向为散热,但是,其数值代表热流差,热流差的变化即是放热速率的变化。为了更好地研究煤在DSC实验中热量积聚情况,特选取初始温度时最大值为基准点,通过热流差对时间的曲线积分可求出DSC曲线的“0”值点出现温度。DSC曲线的“0”值点出现温度与煤样含水量关系曲线如图5所示,数据见表5。
水分对煤自燃热量积聚过程的影响体现在两个方面:(1)在水分催化剂的作用下,化学反应物中水氧络合物增加,从而导致煤氧化学反应热增加,同时水分的增加导致煤氧吸附热的增加;(2)水分的蒸发为吸热反应,从而抑制了热量的积聚。因此,判断水分对煤氧复合过程中放热量的影响是双向的,从水分蒸发吸热角度分析,水分越大的煤样散热量就越大;DSC曲线积分处理后的“0”值点表示煤样总体热量积聚的变化情况,通过对DSC曲线“0”值点拐点温度与含水量的关系曲线分析可以得出,在同等时间和同等温度下,含水量为8%左右和含水量为14.27%的煤样的放热量相对较大,含水量为16.69%的煤样放热量最小,其次为含水量为11.76%的煤样。
3 结论
1)煤样水分与φ(CO2)/φ(CO)比值呈正比例关系,在水分蒸发温度前,煤样水分对φ(CO2)/φ(CO)比值的影响较大。
2)临界温度的变化是耗氧量和放热量综合影响的结果,从对临界温度的数据分析得出孟巴矿煤的含水量对煤样临界温度有一定的影响,伴随水分的增加,先后出现2次低值。
3)煤氧吸附量是物理吸附和化学吸附共同作用的结果,其吸氧量伴随水分的增加出现2个谷值,煤氧吸附量主要取决于煤样孔隙结构,少量水分的溶胀作用导致煤样孔隙结构的增加,过多水分会进入孔隙结构,导致孔隙结构减少。
4)DSC拐点温度和DSC“0”值点出现温度伴随煤样含水量的增加出现2个低值,说明在这两个温度点煤样整体蓄热量较大,但在一般情况下认为,随着煤样含水量的增加,煤越来越不容易自燃,主要因为过量的水分在煤自燃时蒸发吸收煤氧复合反应放出的热量,使煤自燃过程中整体蓄热量下降。这一过程中,虽然放热量可能增加,但当放热量增加的幅度小于水分蒸发吸热量增加的幅度时,煤自燃热量积聚过程整体表现为热量的减少,因此不利于煤自燃的发生和发展。
摘要：采用GC-4075型煤自燃测定仪、DSC(差热分析)系统和程序升温实验系统,对孟巴矿不同含水煤样的色谱吸氧量拐点温度、DSC“0”值点温度和拐点温度、临界温度,以及φ(CO2)/φ(CO)比值拐点温度进行了分析,确定出水分对各特征温度的影响规律,为孟巴矿主采煤层自然发火的预测预报提供基础数据与理论支持。
关键词：煤自燃,水分,特征温度
参考文献
[1]张玉涛,王都霞,仲晓星.水分在煤低温氧化过程中的影响研究[J].煤矿安全,2007(11):1-4.
[2]King J,Krug D,Zepf D.The role of oxygen complex inoxidation of carbonaceous compounds[J].SocChemIndustry Trans Farad Soc,1964,42(4):297-299.
[3]Jones R E,Townend D T A.Oxidation of coal[J].J SocChem Industry,1949,68(2):193-197.
[4]Stott J B,Chen X D.Measuring the tendency of coal to firespontaneously[J].Colliery Guardian,1992,32(3):11-18.
[5]Kathy E,Benfel B,Rodgers K A.Thermogravimetricanalytical procedures for characterizing new zealand andeastern australian coals[J].Thermochimica Acta,1996,286(16):67-74.
[6]Saurabh B,Pradeep K.The effect of moisture condensationon the spontaneous combustibility of coal[J].Fuel,1996,75(13):1523-1532.
[7]李增华.煤炭自燃的自由基反应机理[J].中国矿业大学学报,1996(3):111-114.
[8]李永昕,薛冰,李再峰,等.凝结热对低阶煤低温氧化过程的影响[J].燃料化学学报,2006(4):408-411.
[9]薛冰,柳娜,李永昕,等.相对湿度对低阶煤低温氧化过程的影响[J].煤炭转化,2007(4):5-8.
[10]张卫亮,梁运涛.差式扫描量热法在褐煤最易自燃临界水分试验中的应用[J].煤矿安全,2008(7):9-10.
[11]何启林,王德明.煤水分含量对煤吸氧量与放热量影响的测定[J].中国矿业大学学报,2005(3):358-362.
温度特征 篇8
并网风电机组运行条件恶劣,其各部件受多种不确定因素的影响而发生渐变劣化直至失效,这导致风电机组频繁出现故障,特别是关键部件一旦故障,如主轴承故障、齿轮箱故障、发电机故障等,检修时间较长,严重影响发电量,且使风电场的运维和检修费用居高不下［1］。 基于风电机组状态监测信息,较早掌握风电机组关键部件的劣化程度及渐变趋势可为确定合理的检修时机提供依据,为风电场的安全经济运行提供重要的技术支撑［2-3］。
现有风电机组的状态监测手段多倾向于通过增置振动加速度传感器,来实现对风电机组关键部件的振动状态监测,然而,风电机组常在不同转速下频繁切换运行,这使得振动特征量易受到各种不确定噪声干扰影响,较难通过算法准确提出关键部件早期的劣化征兆。 而反映关键部件劣化的温度特征量具有热惯性特征,抗干扰能力强,通过探索温度特征量与关键部件劣化关联关系,将不失为一种研究风电机组关键部件的劣化程度及渐变趋势的新思路近年来,国内外学者对风电机组关键部件劣化程度及变化趋势方面的研究鲜见报道,在风电机组运行状态监测和评估研究成果略有涉及,如文献[4-8]分别基于数据采集与监视控制(SCADA)系统的温度特征量,转速、风速、电气等特征量的运行数据,利用层次分析法、模糊综合评判、物元理论和高斯混合模型对风电机组的整体状态进行了评估。 文献[6-7引入劣化度来表征部件的劣化程度,其中,文献[6计算部件劣化度需要风电机组正常状态下的大量历史数据作为先验模型,对于新投运的机组显然不适合;文献[7]因没有考虑机组工况变化因素,以固定的预警阈值和启动允许值为依据来作为温度特征量评估指标劣化度的上、下阈值,难以准确地掌握关键部件的劣化程度和渐变趋势;文献[8]从多信息融合角度,建立了基于高斯混合模型风电机组健康状态评价模型,采用健康衰退指数作为整机健康状态评价结果,没有涉及对机组关键部件劣化趋势的研究,使得评估结果很难准确分析其状态变化过程因此,为了掌握风电机组关键部件运行状态,特别是其故障早期的状态变化过程,有必要开展风电机组关键部件劣化渐进变化趋势的研究。
本文基于风电机组关键部件温度特征量监测数据,引入劣化度概念,提出风电机组关键部件劣化渐变趋势的概率分析方法。 首先,针对采用固定阈值不能准确确定风电机组关键部件劣化度的问题,考虑机组工况变化因素,基于风电机组关键部件的温度特征量和转速信息,分别提出基于数据拟合和机群划分思路的劣化度上下限动态阈值确定方法,并对关键部件的劣化等级进行划分;其次,考虑部件劣化度会随不同运行工况而波动及随寿命递减而改变, 通过非参数核密度估计方法建立部件劣化度的概率密度函数,对不同监测周期内部件劣化度的概率特征差异进行分析,获取风电机组关键部件在各监测周期的劣化等级及其劣化渐进趋势;最后,以某风电场的1.5 MW风电机组的发电机后轴承劣化渐变情况为实例,来验证本文方法的有效性。
1基于动态阈值的风电机组关键部件劣化度
1.1风电机组关键部件的温度特征量
传动链是风电机组的核心部件,是以旋转形式实现风能到机械能再到电能转换的必要部件［9］,其关键部件一般包括:主轴承及其支撑轴承、齿轮箱和发电机,如图1所示。
大多数风电场SCADA系统都对传动链关键部件的温度进行监测,如主轴承温度、齿轮箱轴承温度、齿轮箱油液温度、发电机绕组温度、发电机轴承温度等温度特征量。 本文基于温度特征量运行数据, 引入劣化度［7］的概念,表征风电机组关键部件良好状态与劣化状态相比的相对劣化程度。 不同劣化度反映部件不同的劣化程度。 温度特征量属于越小越优型指标,其计算式为:
其中,g(x)为关键部件的劣化度;x为温度特征量的监测数据;β1和 β2分别为劣化度下限和上限阈值。 由于风电机组运行工况的不确定性,导致合理设置劣化度的上、下限阈值是准确确定相应部件劣化程度的关键,也是掌握其渐变趋势的基础。
与关键部件温度相关联的特征量主要包括外部环境温度、风速、转速、功率等特征量。 考虑现有大功率并网风电机组变速恒频运行特点,目前风电机组的运行控制大部分按照发电机转速进行风电机组功率控制,不同转速具有不同功率出力,导致关键部件可能存在不同温度量的表征。 因此,考虑其温度特征量具有热惯性特征和抗干扰能力强的特点,本文在劣化度上限阈值确定问题上,利用风电机组转速与温度特征量存在较强的关联性,提取部件劣化故障前的转速和温度特征量历史运行数据,通过数据拟合的方法建立两者之间的映射,确定不同转速下部件劣化度的上限动态阈值;同时,在劣化度下限阈值确定问题上,由于运行在同一工况下的风电机组,其良好的部件运行时温度较劣化的部件温度值低,可基于机群划分思想,将风电场内转速相近机组划分到同一机群,将机群中相同温度特征量的最小温度值作为机群内机组的部件劣化度下限动态阀值。
1.2基于数据拟合的劣化度上限动态阈值确定
当关键部件已严重劣化时,运行在不同转速下的关键部件温度特征量幅值高于部件良好运行时的幅值。 基于此,从风电机组SCADA系统中,提取关键部件严重劣化导致温度超限停机故障前的转速和温度特征量运行数据。 应用bin方法［6］进行数据提取,再通过数据拟合的方法建立两者之间的映射,求得自变量为转速、因变量为温度特征量的数学函数f(n),随转速变化的f(n)即为劣化度的上限动态阈值。 详述如下:应用bin方法,得到劣化严重的部件的温度特征量和转速的q组运行数据(x1′,n1′)、(x2′,n2′)、…、(xq′nq′),运用数据拟合方法得到转速与温度的函数表达式为x′= f(n′),将随转速变化的温度值作为劣化度的上限动态阈值 β2,计算式如式(2)所示。
1.3基于机群划分的劣化度下限动态阈值确定
采用风电场机群划分,将运行在同一工况下的风电机组划分为同一机群,寻求在单一机群中的各机组相同温度特征量运行数据中最小温度值,作为机群内机组的劣化度下限动态阈值。
对风电机组而言,风力机转速比风速更能准确地反映机组的运行工况［10］。 风电场SCADA系统实时监测风电场内所有机组的转速变化情况,可根据风力机转速监测数据来进行机群划分,尽可能地将运行在相同工况下的机组划分到同一机群。 机群的划分方法是用2个机组转速之差的最大值来反映其转速的相同程度,当这个最大值小于某个给定的门槛值 ε 时,则可以将它们归到同一机群里［11］。 此时划分机群的依据为:
其中,ni(t)和nj(t)分别为i号机组和j号机组在t时刻的转速值;根据文献[10],门槛值取 ε<1 r / min。
在确定以转速为机群划分的依据后,采用c均值聚类算法对风电场内所有机组进行机群划分[12]。假设风电场中共有k+m台机组,若某个时间段内有k台机组并网运行,m台机组由于某些原因而与电网脱离,则将m台离网的机组剔除,选取在该时间段内并网运行机组的转速数据作为样本,转速在该时段内的采样点数为k个。以k台机组转速{n1,n2,…,nk}为机群划分的依据,机群划分流程如图2所示。
机群划分主要包括以下3个步骤。
a. 分别从风电场SCADA系统运行数据中提取k个机组转速; 需设置模糊c均值聚类算法的参数包括:幂指数为3,最大迭代次数为200,初次机群划分组数c=2。
b. 将k个转速运行数据进行标准化处理后输入到模糊c均值算法中,按照步骤a所设置的参数, 经迭代计算得到初步的机群划分结果。
c. 对步骤b中的机群划分数目进行合理性检验,若不满足 ε<1 r / min,则机群数自动加1,重新进行机群划分;否则,输出机群划分结果。
通过上述的机群划分,得到c个机群D(i)(i=1,2,…,c),用x(ij)表示机群D(i)中j号机组的部件的温度特征量的监测数据,机群D(i)中j号机组x(ij)值越小表明部件的劣化程度越低,部件运行状态越好。基于此,β1=min(x(i))可作为机群D(i)内机组同一部件劣化度的下限动态阈值。
1.4关键部件的劣化度与劣化等级划分
从上述的上限和下限动态阈值的确定过程可知,部件劣化度与转速n和温度特征量的监测数据x（ij）有关,根据式(1),j号机组关键部件劣化度计算式如下:
其中,f(n（ij）)为劣化度的上限动态阈值;min(x（i）)为劣化度的下限动态阈值;g（ij）(x（ij）)为机群D（i）中j号机组部件的劣化度,越小越优。 为更好地表征部件劣化程度,本文以文献[6-7]的风电机组评估指标的状态划分情况为依据,将关键部件劣化度分为4个等级:L = {l1,l2,l3,l4} = {良好,合格, 注意, 严重}, 所确定的各等级所属的劣化度区间分别为l1∈[0,0.30)、 l2∈[0.30,0.55)、l3∈ [0.55,0.80)、l4∈[0.80,∞)。
2风电机组关键部件劣化渐变的概率分析
2.1基于非参数方法的概率密度函数计算
随着风电机组关键部件劣化不断加重,不同监测周期的劣化度的概率密度分布将发生一定的偏移,准确描述此偏移是研究关键部件劣化渐进变化趋势的基础。 本文从概率统计角度出发,基于非参数法建立监测周期内部件劣化度的概率密度函数,并估计其置信区间,利用监测周期内概率密度函数最大值对应劣化度,结合不同监测周期部件劣化变化条件概率来表征关键部件劣化渐进变化趋势。 概率密度函数的计算有参数法和非参数法,其中非参数法无需对变量的分布做任何先验假设,比参数法更符合其真实分布。 因此,本文采用非参数核密度估计方法求取部件劣化度的概率密度函数［13］。
对于关键部件的劣化度周期内的时间序列g(1)、 g(2)、…、g(N),劣化度g概率密度函数表达式为:
其中,K为核函数,本文取高斯核函数;h为宽带系数; N为监测周期内样本数量。
根据式(5)可计算得到监测周期内部件劣化度的概率密度函数。 对于劣化度g,在给定显著性水平 α(0<α<1)下,若满足累积概率Pc(gmin≤g≤gmax) = 1 - α,则称区间[gmin,gmax]为g的双边置信区间,1 - α 表征了该区间包含真值的可信程度。
需指出,概率密度函数的计算与监测周期内样本数据量N有密切关系,本文采用数理统计方法确定其数值［14］。 因监测周期时间长度无法与部件运行寿命相比拟,每个周期内部件相对劣化度计算过程可看作一平稳随机过程,在任意时刻相互独立,则部件相对劣化度g满足:
其中,μ 为相对劣化度g均值;σ 为标准差;E和D分别为期望和方差;g軃为时间序列g(1)、g(2)、…、g(N) 总和的均值。 根据切比雪夫不等式Pc( |σ - μ| ≥λ)≤ σ2/ (Nλ2)可知,对于给定的置信度1 - α, 只要周期内数据点数N满足 σ2/ (Nλ2)≤α 即可(其中,λ 为数据偏离均值的范围,α 表示显著性水平,一般取0.05)。 在参数值确定过程中,σ 设置为g历史数据标准差的最大值,根据高斯分布设置 λ 为g历史数据标准差的3倍,本文基于大量风电机组运行数据分析表明N≥1000可满足劣化统计分析需求。
2.2关键部件劣化渐变的概率分析
在风电机组关键部件劣化渐进变化过程中,某一部件劣化度的概率密度函数曲线由f1逐渐向f2偏移,如图3所示。 图中,g1和g2分别为f1和f2最大值对应部件劣化度;δ 表征f1和f2最大值的差值,δ 越大,曲线f1和f2的重叠面积越小,表明部件劣化度变化越大,劣化越严重。 因此,通过分析f1和f2相同区间内的累积概率以及其最大值对应部件劣化度,可实现对部件劣化变化趋势的掌握。
对f1在置信度1 - α 的置信区间[gmin,gmax],f2的累积概率Pc计算式为:
累积概率Pc与置信水平1- α 反映部件劣化度的概率密度分布变化,可通过条件概率进行反映,计算表达式为:
其中,P为部件劣化变化的概率,P越大,部件劣化加重的可能性越大。
2.3关键部件劣化渐变分析方法
为掌握部件劣化渐进变化趋势,需在单一监测周期内劣化度概率特征基础上,通过分析连续监测周期与初始监测周期内部件劣化度的概率特征差异实现。 设单个监测周期内部件劣化度样本数量为N, {g(N (w - 1) + 1),g(N (w - 1) + 2),…,g(N (w - 1)+N)} 则为第w个监测周期内序列,各监测周期的概率密度函数最大值对应的劣化度gw与相对于初始监测周期的条件概率Pw的计算流程如图4所示。
在图4中,风电机组关键部件劣化度渐进变化趋势概率分析方法的具体过程如下。
a. 使用非参数核密度估计方法计算第1个监测周期内部件劣化度的概率密度函数f1(g)及f1(g)最大值对应的劣化度g1,并估计置信度1 - α 对应的置信区间[gmin,gmax]。
b. 计算第2个窗口内部件劣化度的概率密度函数f2(g) 及f2(g) 的最大值对应的劣化度g2, 并按式(7)求得区间[gmin,gmax]内累积概率Pc。 根据式(8)计算第2个监测周期内部件劣化度变化的条件概率P2。 P2越小,表明部件劣化变化可能性越小。
c. 以第1个监测周期为基准, 对后续监测周期重复上述过程,得到部件劣化变化的概率P3、P4、… Pw,以及各监测周期概率密度函数f1(g)的最大值对应的劣化度g3、g4、… 、gw,根据这2个序列反映部件劣化渐进变化趋势。
3实例分析与验证
3.1实例分析
为验证本文提出的风电机组关键部件劣化度的动态阈值确定及劣化渐变概率分析方法有效性,以某风电场10号风电机组的发电机后轴承劣化渐变过程为例进行验证。 该机组在2012年3月29日01:42时发生发电机后轴承故障致使机组停机,查看SCADA系统内运行数据记录,故障原因为发电机后轴承温度超过预警阈值95 ℃。 本文以提取风电场SCADA系统内2011年6月15日10:00至2012年3月29日01:42的运行数据为基础。 以2012年2月11日07:30单时刻运行数据为例,详述本文动态阈值确定及劣化度计算过程;然后,采用固定阈值与动态阈值确定方法分别对2011年6月15日10:00至16日15:00运行数据进行劣化度计算,并对比这2种方法的优劣性;最后,应用风电机组关键部件劣化渐变的概率分析方法,获取在2011年6月15日10:0至2012年3月29日01:42期间发电机后轴承从 “良好”直到“严重”各劣化等级的历经时间以及其劣化渐变趋势。
3.2基于动态阈值的发电机后轴承劣化度计算
为了详述动态阈值的确定以及劣化度的计算过程,以2012年2月11日07:30时运行数据为例,依据前面所述的数据拟合和机群划分方法分别确定发电机后轴承劣化度的上限和下限动态阈值后,按照式(4)计算发电机后轴承的劣化度。
a. 上限动态阈值 β2确定。 按照1.2节所述,统计该风电场内发电机后轴承温度超限停机故障前3 d的转速和发电机后轴承温度运行数据,应用bin方法提取了转速范围为10~18 r / min的发电机后轴承温度历史运行数据。 通过数值拟合方法得到了转速和发电机后轴承温度特征量之间的映射关系,上限动态阈值 β2的数学函数式为:
另外,将实际值与拟合值进行比较,如图5所示, 实际值围绕在拟合曲线上下波动,拟合效果较好。
a. 下限动态阈值 β1确定。 按照图2所示的机群划分流程,除30号机组处于停机状态不参与机群划分外,其他32台机组的转速将作为机群划分的依据, 通过采用c均值聚类的迭代算法,进行机群划分。 机群划分结果见表1,可知,机群3(D（3）)中包括10、19号机组在内的共18台机组,其中,19号机组的发电机后轴承温度为43.8℃,为D（3）内最低,即 β1（3）= min(x（3）)= 43.8 ℃ 为10号机组发电机后轴承的劣化度的下限动态阈值。
c. 发电机后轴承劣化度计算。 在确定劣化度动态阈值后,根据式(4),发电机后轴承劣化度为:
同理,其他监测时间的发电机后轴承劣化度均可按上述过程计算得到。
3.3固定阈值确定方法与动态阈值确定方法对比
以2011年6月15日10:00至16日15:00,刚检修后的发电机后轴承采样时间间隔为1 min运行数据为例(一般认为刚检修后的部件为“良好”劣化等级［8］),采用动态阈值确定方法与文献[7]的固定阈值确定方法分别计算该时段的发电机后轴承的劣化度,对比分析如下。
该机组的发电机后轴承温度的固定上限阈值(预警阈值)和固定下限阈值( 启动允许值) 分别为95 ℃ 和5 ℃,确定的动态阈值见图6。 相对于固定阈值,动态阈值的上、下限阈值随转速变化而改变,分别位于发电机后轴承温度上、下位置。 采用固定阈值和动态阈值计算的发电机后轴承劣化度曲线如图所示,可见采用固定阈值计算得到的劣化度曲线追踪转速变化趋势而明显改变,劣化度曲线在[0.25,0.48较宽的范围内变化,无法准确确定此时发电机后轴承的劣化度;而考虑了转速变化,采用动态阈值计算得到的劣化度曲线整体波动较小,劣化度值大致在[0,0.45范围内围绕0.23上下波动,因0.23[0,0.30),发电机后轴承劣化等级为l1,即“良好”,与实际相符。 采用动态阈值确定方法,更能准确反映发电机后轴承的劣化程度。 另外,通过图7中采用动态阈值确定的劣化度曲线数据获取的频率直方图如图8所示,可以看出频率直方图与高斯分布的密度函数符合较好,服从高斯分布。
3.4发电机后轴承劣化渐变概率分析
整理2011年6月15日10:00至2012年3月29日01:42发电机后轴承从检修后到发生温度超限停机故障期间的SCADA系统运行数据,并提取机组发电运行时采样间隔为10 min的发电机后轴承温度特征量运行数据,采用动态阈值方法,计算得到各采样时间的劣化度见图9,随着发电机后轴承劣化加重,其整体趋势不断上升。 当取监测周期内样本数据量为1 000、连续监测周期时间间隔为500 min时, 按照2.3节的所述的关键部件劣化渐变分析方法,10号机组发电机后轴承不同监测周期概率密度函数最大值对应的劣化度以及条件概率分布见图10。 结合1.4节的劣化等级划分内容及图10中结果,可从4个阶段简述发电机后轴承劣化渐变过程。
第1阶段:劣化等级为“良好”。 监测周期数目在1~40之间,劣化度在约为0.26,劣化条件概率较小, 约为0.05。 其中,在监测周期40~44之间,概率密度函数最大值对应的劣化度开始由0.26上升至0.29劣化条件概率也由0.05上升至0.22,发电机后轴承有从“良好”向“合格”劣化等级渐变趋势。
第2阶段:劣化等级为“合格”。 在监测周期45~ 175之间,两曲线虽然存在波动,但其具有整体上升的趋势。 概率密度函数最大值对应的劣化度由0.3上升接近于0.55,劣化条件概率也由0.23上升至0.75,发电机后轴承有从 “ 合格” 向 “ 注意” 劣化等级渐变趋势,“合格”等级历经时间65500 min,约45.5 d。
第3阶段:劣化等级为“注意”。 在监测周期176~231之间,两曲线仍处于整体的上升趋势。 概率密度函数最大值对应的劣化度开始由0.55上升接近于0.79,劣化条件概率由0.77上升至0.99,发电机后轴承有从“注意”向“严重”等级渐变趋势,“注意”等级历经时间28000 min,约19.4 d。
第4阶段:劣化等级为“严重”。 在监测周期232~357之间,两曲线仍处于整体的上升趋势。 概率密度函数最大值对应的劣化度开始由0.8上升接近于0.94,劣化条件概率为0.99不变,发电机后轴承劣化已经严重劣化且不断加深,到发生温度超预警限制95 ℃ 故障强迫停机时,“严重”等级历经时间67 000 min,约46.5 d。
另外,应用本文方法,可在发电机后轴承发生温度超限故障的95000 min,约66 d前,较早得知发电机后轴承处于“注意”劣化等级;同时,在劣化等级转换过渡过程中,还可根据条件概率来掌握部件劣化渐变增长趋势。 条件概率增长越快,表明发电机后轴承劣化概率分布差异增大,发电机后轴承劣化趋势越严重。 此外,本文方法还能展现发电机后轴承在长期承受恶劣环境和交变载荷等运行环境下,经历的从量变到质变的渐变过程。
4结语
基于风电场SCADA系统的运行数据,本文利用风电机组关键部件的温度特征量和转速信息,分别提出基于数据拟合和机群划分思路的劣化度上下限动态阈值确定方法;并应用非参数核密度估计法建立风电机组关键部件劣化度的概率密度函数,提出了基于温度特征量的风电机组关键部件劣化渐变的概率分析方法。 通过实例验证,结果表明:与采用固定阈值确定方法相比,本文提出的动态阈值确定方法更能准确确定部件劣化度;利用在不同监测周期之间部件劣化度的概率特征差异,应用非参数核密度估计法,通过分析监测周期之间的概率密度函数最大值对应劣化度偏移和条件概率,可得到风电机组关键部件历经各劣化等级后直至失效的各监测周期的劣化等级以及劣化渐变趋势。
摘要：为了掌握风电机组关键部件劣化程度及渐进变化趋势,提出基于温度特征量的风电机组关键部件劣化渐变概率分析方法。针对采用固定阈值不能准确确定劣化度的问题,利用风电机组关键部件的温度特征量和转速信息,分别提出基于数据拟合和机群划分思路的劣化度上下限动态阈值确定方法。考虑部件劣化度会受运行工况和运行时间的影响,应用非参数核密度估计法建立风电机组关键部件劣化度的概率密度函数,提出不同监测周期内的渐变趋势概率分析方法。以实际的风电机组发电机后轴承劣化渐变情况为例,基于某实际风电场历史监测数据,对提出的动态阈值确定和部件劣化概率分析方法进行验证,并与采用固定阈值确定方法进行比较。结果表明,所提方法更能准确确定部件的劣化度,能有效分析风电机组关键部件劣化渐变趋势。
温度特征 篇9
沙滩排球是一项独具魅力、风靡世界的体育运动项目,对于沙滩排球这样的户外赛事,除受风、雨影响外,沙温对比赛也有着重要影响。当天气酷热,沙温高时,对运动员的心理耐受力和体力都是一个较大的考验,较高的沙滩温度甚至可造成运动员脚部灼伤。北京奥运会[1]、十一届全运会[2],广州亚运会[3]以及2011年举行的深圳大运会沙滩排球比赛中,赛场的专业气象服务都对沙温进行了监测。深圳大运会期间,气象部门还对沙温进行了逐时精细化预报[4]。对沙温的监测和预测,不仅让运动员对比赛时的环境气象状况有所了解,还为赛时的场地降温工作提供数据支持。
深圳大运会沙滩排球比赛于2011年8月13日—19日举行,沙滩排球场馆坐落在深圳东部的大鹏湾畔(三面青山环绕,中间开阔平缓,一面临海)。深圳市气象局在赛场沙滩上布设了自动气象站,对场馆的气温、沙温、气压、风速、风向、湿度、降水量等气象要素进行监测。以往对于不同下垫面的温度特征的研究[5,6,7,8,9,10]中涉及到下垫面有水泥、柏油、裸地、草地、林地等,而很少有关沙温的研究。杨晓武等[11]对深圳的沙温做了初步分析,但研究未能深入到不同天气条件下的变化规律。张鹏等[12]对沙漠地区的沙温进行过的研究,但对于深圳这样的滨海城市参考价值又不大。因此,本文利用深圳大运会期间的观测资料,进一步分析了沙温的主要影响因子及沙温在不同天气情况下的变化规律,以期对今后类似赛事及旅游区沙温预报提供参考。
1 研究内容及资料简介
本研究主要目的在于分析沙温的主要影响因子以及沙温在不同天气情况下的变化规律,所用资料为沙滩排球赛场MAWS301型自动气象站测得的沙温、气温、降水量数据及深圳国家基本气象站日照数据。其中,沙温、降水观测时间从2011年7月19日—8月19日,有效观测时长为32 d;气温观测时间从2011年7月26日—8月19日,有效观测时长为25 d。数据采样频率为1次/min,缺测率在0.1%以内。
2 沙温的变化规律
2.1 观测时段沙温日均值变化
在2011年7月19日—8月19日中,有10 d降水,除降水日外日照条件较好,22 d中有21 d日照时数都在8 h以上。如图1、图2所示,沙温受日照条件、降水影响很大。日均沙温与日照时数成显著正相关,而与降水量呈负相关。当有降水或者日照条件不好时,日平均沙温相对较低。
日照情况直接影响沙温情况,因为太阳辐射是地面的直接热源。多云的情况下,白天,主要影响地面吸收太阳辐射而沙温相对较低;而到了晚上,又因为多云夜间的大气逆辐射明显,而使沙温降温幅度降低。例如大梅沙7月20日、7月22日降水时段都在凌晨,但是沙温面温度差别很大,这主要是由于两日的云况影响到达沙面的太阳辐射情况,9月22日,日照好,降水很快被蒸发,沙温也相对较高。
图2显示,当有降水发生时,沙温相对较低。降水对沙温的影响一方面是直接给沙面降温,另一方面是增加了沙地湿度。沙子的湿度影响沙面的反射率进而影响吸收辐射,更主要的是改变比热,水的比热比沙子大得多,故沙子的比热随着含水量的增加而增加[10],并且沙子水分蒸发也消耗热量。
分析还表明,降水会对第二日的沙温有明显影响,主要是因为降水使得沙体含水量增加,接受短波辐射后,升温不如干燥条件下迅速。尤其当降水时间出现在日落后,或者因云量多不利于沙体水分蒸发时,次日的沙温受影响更为明显。但由于沙子的保水性差,若降水后第二日日照条件较好,沙体的水分会很快蒸发,降水对第三日的沙温基本无影响。例如7月29日6:51—9:47、14:51—14:47、29日23:47—30日01:46的降水经过30日(基本站日照9.0 h)一天的蒸发,对8月31日沙温基本没有影响。
2.2 沙温的日变化特征
2.2.1 晴天沙温日变化特征
以2011年8月15日为例给出了晴天条件下沙温的日变化情况,如图3所示。
8月14日日落后,沙温逐渐降低,且与气温差逐渐减小,在日出前的5:48时达到最低值26.9 ℃(8月15日大梅沙日出时间为6:01)。日出后6:30至07:30沙温与气温同步上升,8:00之后随着太阳高度角的增加,沙面增温速率远高于气温,9:00沙温超过40 ℃,11:00时前沙温超过了50 ℃;正午前沙温继续上升,到13:03,沙温达到当日最高值59.7 ℃;随后沙温逐渐下降,到14:30降到近50 ℃,到17:30降到近40 ℃,日落(18:56)后,沙温下降速率减缓。白天沙滩温度波动起伏比较剧烈,特别是午后,这主要与偶尔出现的云遮挡阳光有关。
为分析晴天条件下的平均状况,本文进一步统计了18 d晴天(去除有降水及降水次日的资料)沙温的平均值,如图4所示。图4表明,晴天沙温日变化很大,18 d平均日较差为32.8 ℃。夜间沙温呈缓慢线性下降,到日出前后下降到最低。晴天白天的平均沙温呈正弦曲线变化,日出后沙温开始上升,正午后沙温达到最高,随后沙温开始下降。一天中沙温最高的时段是12—14时,这与杨晓武[11]、李兴荣[13]等研究结果比较一致。从小时内最高沙温曲线来看,在日照条件好的情况下,11至14时内最高沙温均有可能达到60 ℃。
2.2.2 雨天沙温日变化特征
以8月10日为例给出了雨天沙温的变化情况,如图5所示。
8月9日晚23:07开始降水,其间最大雨强达到了1.1 mm/min,降水期间沙温骤降,到23:39沙温才开始缓慢回升,1:20雨停后沙温趋于平缓略有下降;到5:10又开始降水,沙温再一次下降,到5:45沙温降到当日最低25.2 ℃,由于当时正值日出前,沙温下降幅度较小;日出后(5:59)沙温开始回升,间歇性小雨直到10:21停止,沙温开始较为快速地上升,到12:45沙温达到当日最高的30.6 ℃;12:55又开始降雨,最大雨强为1.1 mm/min,沙温又一次骤降,骤降后继续缓慢下降,到16:24降水结束,沙温回升,日落前(日落时间19:00)趋于平缓,日落后沙温逐渐下降。
在降水天气下,沙滩温度变化随降水而出现波动,但总体上日变化幅度较小,并且沙温与气温差相对较小。降水时段初期或雨强突然加强,能使沙温和气温大幅骤降,骤降后伴随着沙温和气温的缓慢回升。降水既影响地面温度及其日变化幅度,还可能影响其最大值和最小值出现的时间,同时,雨量、降雨持续时间等因素都对沙温变化有明显影响,因此,不同降雨日的同一时段沙温的差异往往很大。
2.2.3 总体情况
日最高沙温通常出现在13—14时,而日最低沙温主要出现在日出前的5—6时。而降水既影响地面温度及其日变化大小,还可能影响其最大值和最小值出现的时间。沙温日最高值一般出现在气温日最高值出现前,而沙温日最低值出现时间则一般滞后于气温日最低值出现时间。
32 d的沙面观测资料中,有19 d日最高沙温超过59 ℃,其中最高沙温为62.9 ℃,当日最高气温34.7 ℃。日最低沙温一般比日最低气温略高(0.2—0.6)℃左右。
3 结论
利用深圳大运会期间的气象观测资料,分析了夏季沙温的变化规律,重点关注了不同天气条件对沙温的影响,得到了以下结论:
(1)沙温受云况、降水影响很大。降水一方面直接给沙面降温,另一方面增加了沙地湿度而改变沙体的比热容,从而影响到次日的沙温。
(2)晴天沙温日变化幅度很大,白天的平均沙温呈正弦曲线变化状态,晴天沙温最高的时段是12—14时。夜间沙温呈现缓慢线性下降,且与气温差逐渐减小。
(3)降水天气下,沙温日变化幅度较小,沙滩温度变化随降水变化而变化,降水时段初期或雨强突然加强,均能使沙温和气温骤降,骤降后伴随着沙温和气温的缓慢回升。
(4)深圳夏季日最高沙温可达62.9 ℃,日最高沙温主要出现在13—14时,而日最低沙温主要出现在日出前后5—6时。日最低沙温一般比日最低气温略高(0.2—0.6) ℃左右。降水还可能影响其最大值和最小值出现的时间。
摘要：利用大运会沙滩排球场馆自动气象站的气温、沙面温度(以下简称沙温)、降水等观测资料,分析了深圳夏季沙温在两类天气(晴天、雨天)条件下的日变化规律。结果表明:1)沙温受云况、降水影响很大,降水除了直接给沙面降温,还影响次日的沙温。2)晴天沙温日变化大,白天的平均沙温呈正弦曲线变化,一天中沙温最高的时段出现在12—14时,最高沙温可达62.9℃;夜间沙温呈现缓慢线性下降,且与气温差逐渐减小,在日出前后达到最低。沙温日最低值一般比日最低气温略高0.2—0.6℃;降水天气时,沙温日较差小,降水时段的初期或雨强突然加大,均能使沙温和气温同步骤降。